深入浅出Yolo系列之Yolox核心基础完整讲解在Yolov4、Yolov5刚出来时

在Yolov4、Yolov5刚出来时，大白就写过关于Yolov3、Yolov4、Yolov5的文章，并且做了一些讲解的视频，反响都还不错。
而从2015年的Yolov1 ， 2016年Yolov2 ， 2018年的Yolov3 ，再到2020年的Yolov4、Yolov5 ， Yolo系列也在不断的进化发展。
就在大家质疑， Yolo如何进一步改进时，旷视科技发表了研究改进的Yolox算法。
大白对于Yolox文章和相关的代码，进行了学习，发现有很多改进的方式。
比如DecoupledHead、SimOTA等方式，效果还是非常不错的，很值得借鉴。但因为很难直接可视化的学习，了解Yolox和之前Yolo相关算法的区别。
因此本文，大白对Yolox的一些细节，和之前的Yolov3、Yolov4、Yolov5算法对比，进行深入浅出的分析讲解，和大家一些探讨学习。
1Yolox相关基础知识点
1.1Yolox的论文及代码
Yolox论文名：《YOLOX:ExceedingYOLOSeriesin2021》
Yolox论文地址：https://arxiv.org/abs/2107.08430
Yolox代码地址：https://github.com/Megvii-BaseDetection/YOLOX
1.2Yolox各版本网络结构图
想学习一个算法，最好从直观图示的角度，进行了解。如果纯粹从代码上进行查看，很可能会一头雾水。而且Yolox的各种网络结构也很多，比如下面的各个网络结构权重文件。

文章图片
因此可以采用，将各个模型文件转换成onnx格式，再用netron工具打开的方式，对网络结构进行可视化学习。

文章图片
1.2.1Netron工具
如果有同学对netron工具还不是很熟悉，这里还是放上netron工具安装的详细流程。
可以移步大白的另一篇文章：《网络可视化工具netron详细安装流程》。
1.2.2各个Yolox的onnx文件
各个onnx文件，可以采用代码中的， tools/export_onnx.py脚本，进行转换。
此外，官方代码中的这个版块，已经转换好了各个版本的onnx ，也可以直接下载使用。

文章图片
1.2.3各个Yolox网络结构图
不过考虑到，有些同学可能不方便，使用netron查看。因此，大白也上传了使用netron打开的，每个网络结构图的图片，也可以直接查看。
（1）Yolox-Nano
Yolox-Nano是Yolox系列最小的结构，网络参数只有0.91M 。
（2）Yolox-Tiny
（3）Yolox-Darknet53
Yolox-Darknet53是在Yolov3的基础上，进行的改进，也是后面主要介绍的网络结构。
（4）Yolox-s
Yolox-s是在Yolov5-s的基础上，进行的改进，也是后面主要介绍的网络结构。
（5）Yolox-m
（6）Yolox-l
（7）Yolox-x
2Yolox核心知识点
【深入浅出Yolo系列之Yolox核心基础完整讲解】2.1Yolov3&Yolov4&Yolov5网络结构图
在学习Yolox之前，我们先了解一下Yolov3、Yolov4、Yolov5的网络结构图，而后面的Yolox网络，都是在此基础上延伸而来的。
Yolov3网络结构图

文章图片
Yolov3是在2018年提出，也是工业界使用非常广泛的目标检测算法。
不过在Yolox系列中的， Yolox-Darknet53模型，采用的Baseline基准网络，采用的并不是Yolov3版本，而是改进后的Yolov3_spp版本。
而Yolov3和Yolov3_spp的不同点在于， Yolov3的主干网络后面，添加了spp组件，这里需要注意。
Yolov4网络结构图

文章图片
上图是DarknetAB大神，在2020年提出的Yolov4算法。在此算法中，网络的很多地方，都进行了改进。